يواصل الباحثون تطوير بنى نموذجية جديدة لمهام التعلم الآلي الشائعة (ML). إحدى هذه المهام هي تصنيف الصور ، حيث يتم قبول الصور كمدخلات ويحاول النموذج تصنيف الصورة ككل بمخرجات تسمية الكائن. مع وجود العديد من النماذج المتاحة اليوم والتي تؤدي مهمة تصنيف الصور هذه ، قد يطرح ممارس ML أسئلة مثل: "ما النموذج الذي يجب أن أقوم بضبطه ثم نشره لتحقيق أفضل أداء في مجموعة البيانات الخاصة بي؟" وقد يطرح باحث تعلم الآلة أسئلة مثل: "كيف يمكنني إنشاء مقارنة عادلة خاصة بي لبنى النماذج المتعددة مقابل مجموعة بيانات محددة أثناء التحكم في معلمات التدريب الفائقة ومواصفات الكمبيوتر ، مثل وحدات معالجة الرسومات ووحدات المعالجة المركزية وذاكرة الوصول العشوائي؟" يتناول السؤال الأول اختيار النموذج عبر بنى النماذج ، بينما يتعلق السؤال الأخير بمقارنة النماذج المدربة مقابل مجموعة بيانات الاختبار.
في هذا المنشور ، سترى كيف أن ملف تصنيف صور TensorFlow خوارزمية أمازون سيج ميكر جومب ستارت يمكن تبسيط عمليات التنفيذ المطلوبة لمعالجة هذه الأسئلة. جنبا إلى جنب مع تفاصيل التنفيذ في المقابلة سبيل المثال دفتر Jupyter، سيكون لديك أدوات متاحة لإجراء اختيار النموذج من خلال استكشاف حدود باريتو ، حيث لا يمكن تحسين أحد مقاييس الأداء ، مثل الدقة ، دون تدهور مقياس آخر ، مثل الإنتاجية.
حل نظرة عامة
يوضح الشكل التالي مقايضة اختيار النموذج لعدد كبير من نماذج تصنيف الصور التي تم ضبطها بدقة على معهد كاليفورنيا للتقنية - 256 مجموعة البيانات ، وهي مجموعة صعبة من 30,607 صور حقيقية تغطي 256 فئة كائن. تمثل كل نقطة نموذجًا واحدًا ، ويتم قياس أحجام النقاط فيما يتعلق بعدد المعلمات التي يتكون منها النموذج ، ويتم ترميز النقاط بالألوان بناءً على بنية النموذج الخاصة بها. على سبيل المثال ، تمثل النقاط الخضراء الفاتحة بنية EfficientNet ؛ كل نقطة خضراء فاتحة هي تكوين مختلف لهذه البنية مع قياسات أداء نموذجية دقيقة. يوضح الشكل وجود حدود باريتو لاختيار النموذج ، حيث يتم تبادل دقة أعلى لإنتاجية أقل. في النهاية ، يعتمد اختيار نموذج على طول حدود باريتو ، أو مجموعة حلول باريتو الفعالة ، على متطلبات أداء نشر النموذج الخاص بك.
إذا لاحظت دقة الاختبار واختبرت حدود الإنتاجية ذات الأهمية ، فسيتم استخراج مجموعة حلول باريتو الفعالة في الشكل السابق في الجدول التالي. يتم فرز الصفوف بحيث يزداد معدل نقل البيانات وتقل دقة الاختبار.
نموذج الاسم | عدد المعلمات | دقة الاختبار | اختبار دقة أعلى 5 | الإنتاجية (الصور / الصور) | المدة لكل حقبة (فترات) |
سوين-كبير-patch4-window12-384 | 195.6M | 96.4% | 99.5% | 0.3 | 2278.6 |
سوين-كبير-patch4-window7-224 | 195.4M | 96.1% | 99.5% | 1.1 | 698.0 |
كفاءة نت- v2-imagenet21k-ft1k-l | 118.1M | 95.1% | 99.2% | 4.5 | 1434.7 |
كفاءة نت- v2-imagenet21k-ft1k-m | 53.5M | 94.8% | 99.1% | 8.0 | 769.1 |
كفوءة نت- v2-imagenet21k-m | 53.5M | 93.1% | 98.5% | 8.0 | 765.1 |
كفاءة نت- B5 | 29.0M | 90.8% | 98.1% | 9.1 | 668.6 |
كفاءة نت- v2-imagenet21k-ft1k-b1 | 7.3M | 89.7% | 97.3% | 14.6 | 54.3 |
كفاءة نت- v2-imagenet21k-ft1k-b0 | 6.2M | 89.0% | 97.0% | 20.5 | 38.3 |
كفاءة نت-v2-imagenet21k-b0 | 6.2M | 87.0% | 95.6% | 21.5 | 38.2 |
موبيلنت- v3- كبير- 100-224 | 4.6M | 84.9% | 95.4% | 27.4 | 28.8 |
موبيلنت- v3- كبير- 075-224 | 3.1M | 83.3% | 95.2% | 30.3 | 26.6 |
موبيلنت- v2-100-192 | 2.6M | 80.8% | 93.5% | 33.5 | 23.9 |
موبيلنت- v2-100-160 | 2.6M | 80.2% | 93.2% | 40.0 | 19.6 |
موبيلنت- v2-075-160 | 1.7M | 78.2% | 92.8% | 41.8 | 19.3 |
موبيلنت- v2-075-128 | 1.7M | 76.1% | 91.1% | 44.3 | 18.3 |
موبيلنت- v1-075-160 | 2.0M | 75.7% | 91.0% | 44.5 | 18.2 |
موبيلنت- v1-100-128 | 3.5M | 75.1% | 90.7% | 47.4 | 17.4 |
موبيلنت- v1-075-128 | 2.0M | 73.2% | 90.0% | 48.9 | 16.8 |
موبيلنت- v2-075-96 | 1.7M | 71.9% | 88.5% | 49.4 | 16.6 |
موبيلنت- v2-035-96 | 0.7M | 63.7% | 83.1% | 50.4 | 16.3 |
موبيلنت- v1-025-128 | 0.3M | 59.0% | 80.7% | 50.8 | 16.2 |
يقدم هذا المنشور تفاصيل حول كيفية التنفيذ على نطاق واسع الأمازون SageMaker مهام القياس واختيار النموذج. أولاً ، نقدم JumpStart وخوارزميات تصنيف الصور TensorFlow المدمجة. نناقش بعد ذلك اعتبارات التنفيذ عالية المستوى ، مثل تكوينات المعلمة الفائقة JumpStart ، واستخراج المقاييس من سجلات الأمازون CloudWatch، وإطلاق وظائف ضبط المعلمات الفائقة غير المتزامنة. أخيرًا ، نحن نغطي بيئة التنفيذ والمعلمات التي تؤدي إلى حلول باريتو الفعالة في الجدول والشكل السابقين.
مقدمة لتصنيف صور JumpStart TensorFlow
يوفر JumpStart ضبطًا دقيقًا ونشر مجموعة متنوعة من النماذج المدربة مسبقًا عبر مهام ML الشائعة بنقرة واحدة ، بالإضافة إلى مجموعة مختارة من الحلول الشاملة التي تحل مشاكل العمل الشائعة. تعمل هذه الميزات على إزالة الأحمال الثقيلة من كل خطوة من خطوات عملية ML ، مما يسهل تطوير نماذج عالية الجودة ويقلل من وقت النشر. ال واجهات برمجة تطبيقات JumpStart تسمح لك بنشر مجموعة كبيرة من النماذج المدربة مسبقًا على مجموعات البيانات الخاصة بك وضبطها برمجيًا.
يوفر محور نموذج JumpStart الوصول إلى عدد كبير من ملفات نماذج تصنيف صور TensorFlow تمكن من نقل التعلم والضبط الدقيق لمجموعات البيانات المخصصة. حتى كتابة هذه السطور ، يحتوي محور نموذج JumpStart على 135 نموذجًا لتصنيف الصور TensorFlow عبر مجموعة متنوعة من بنيات النماذج الشائعة من محور TensorFlow، لتضمين الشبكات المتبقية (ريسنيت), موبايل نت, شبكة فعالة, بداية، شبكات بحث العمارة العصبية (ناس نت) ، تحويل كبير (قليل) ، نافذة تحول (سوين) المحولات ، فئة الاهتمام في محولات الصور (كايت) ومحولات الصور الموفرة للبيانات (ديت).
تشكل الهياكل الداخلية المختلفة اختلافًا كبيرًا كل نموذج معماري. على سبيل المثال ، تستخدم نماذج ResNet اتصالات التخطي للسماح بشبكات أعمق إلى حد كبير ، في حين تستخدم النماذج القائمة على المحولات آليات الانتباه الذاتي التي تقضي على الموقع الجوهري لعمليات الالتفاف لصالح المزيد من المجالات العالمية المستقبلة. بالإضافة إلى مجموعات الميزات المتنوعة التي توفرها هذه الهياكل المختلفة ، تحتوي كل بنية نموذجية على العديد من التكوينات التي تضبط حجم النموذج وشكله ودرجة تعقيده داخل تلك البنية. ينتج عن هذا المئات من نماذج تصنيف الصور الفريدة المتوفرة في محور نموذج JumpStart. إلى جانب البرامج النصية المدمجة لتعلم النقل والاستدلال التي تشمل العديد من ميزات SageMaker ، تعد JumpStart API نقطة انطلاق رائعة لممارسي التعلم الآلي لبدء التدريب ونشر النماذج بسرعة.
الرجوع إلى نقل التعلم لنماذج تصنيف صور TensorFlow في Amazon SageMaker وما يلي سبيل المثال دفتر للتعرف على تصنيف صور SageMaker TensorFlow بمزيد من العمق ، بما في ذلك كيفية تشغيل الاستدلال على نموذج مدرب مسبقًا بالإضافة إلى ضبط النموذج المدرب مسبقًا على مجموعة بيانات مخصصة.
اعتبارات اختيار النموذج على نطاق واسع
اختيار النموذج هو عملية اختيار أفضل نموذج من مجموعة من النماذج المرشحة. يمكن تطبيق هذه العملية عبر نماذج من نفس النوع بأوزان معلمات مختلفة وعبر نماذج من أنواع مختلفة. تتضمن أمثلة اختيار النموذج عبر نماذج من نفس النوع ملاءمة النموذج نفسه بمعلمات تشعبية مختلفة (على سبيل المثال ، معدل التعلم) والتوقف المبكر لمنع فرط أوزان النموذج في مجموعة بيانات القطار. يتضمن اختيار الطراز عبر نماذج من أنواع مختلفة اختيار أفضل بنية نموذجية (على سبيل المثال ، Swin مقابل MobileNet) واختيار أفضل تكوينات النماذج ضمن بنية نموذج واحد (على سبيل المثال ، mobilenet-v1-025-128
مقابل mobilenet-v3-large-100-224
).
تتيح الاعتبارات الموضحة في هذا القسم جميع عمليات اختيار النموذج هذه في مجموعة بيانات التحقق من الصحة.
حدد تكوينات hyperparameter
تصنيف صور TensorFlow في JumpStart به عدد كبير من المتاح معلمات مفرطة يمكن أن يعدل سلوكيات برنامج نقل التعلم بشكل موحد لجميع البنى النموذجية. تتعلق هذه المعلمات الفائقة بزيادة البيانات والمعالجة المسبقة ، ومواصفات المحسن ، وعناصر التحكم الزائدة ، ومؤشرات الطبقة القابلة للتدريب. نشجعك على ضبط القيم الافتراضية لمعلمات التشعب هذه حسب الضرورة لتطبيقك:
بالنسبة لهذا التحليل ودفتر الملاحظات المرتبط ، يتم تعيين جميع المعلمات التشعبية على القيم الافتراضية باستثناء معدل التعلم وعدد الفترات ومواصفات التوقف المبكر. يتم تعديل معدل التعلم على أنه معلمة قاطعة عن طريق SageMaker ضبط النموذج التلقائي وظيفة. نظرًا لأن كل نموذج يحتوي على قيم معلمة تشعبية افتراضية فريدة ، فإن القائمة المنفصلة لمعدلات التعلم المحتملة تتضمن معدل التعلم الافتراضي بالإضافة إلى خمس معدل التعلم الافتراضي. يؤدي هذا إلى تشغيل وظيفتين تدريبيتين لوظيفة ضبط واحدة للمعلمات الفائقة ، ويتم تحديد وظيفة التدريب مع أفضل أداء تم الإبلاغ عنه في مجموعة بيانات التحقق. نظرًا لتعيين عدد الفترات على 10 ، وهو أكبر من إعداد المعلمة التشعبية الافتراضي ، فإن أفضل وظيفة تدريب محددة لا تتوافق دائمًا مع معدل التعلم الافتراضي. أخيرًا ، يتم استخدام معيار التوقف المبكر مع الصبر ، أو عدد العهود لمواصلة التدريب دون أي تحسن ، لثلاث فترات.
أحد إعدادات المعلمة التشعبية الافتراضية ذات الأهمية الخاصة هو train_only_on_top_layer
، أين ، إذا تم التعيين على True
، لم يتم ضبط طبقات استخراج معالم النموذج بدقة على مجموعة بيانات التدريب المتوفرة. سيقوم المُحسِّن فقط بتدريب المعلمات في أعلى طبقة تصنيف متصلة بالكامل بأبعاد إخراج مساوية لعدد تسميات الفئات في مجموعة البيانات. بشكل افتراضي ، يتم تعيين هذه المعلمة التشعبية على True
، وهو إعداد يستهدف نقل التعلم على مجموعات البيانات الصغيرة. قد يكون لديك مجموعة بيانات مخصصة حيث يكون استخراج الميزة من التدريب المسبق على مجموعة بيانات ImageNet غير كافٍ. في هذه الحالات ، يجب عليك تعيين train_only_on_top_layer
إلى False
. على الرغم من أن هذا الإعداد سيزيد من وقت التدريب ، إلا أنك ستستخرج ميزات أكثر وضوحًا لمشكلتك التي تهمك ، وبالتالي زيادة الدقة.
استخراج المقاييس من سجلات CloudWatch
تسجل خوارزمية تصنيف الصور JumpStart TensorFlow مجموعة متنوعة من المقاييس أثناء التدريب التي يمكن لـ SageMaker الوصول إليها بشكل موثوق Estimator
و HyperparameterTuner الكائنات. منشئ SageMaker Estimator
لديها metric_definitions
وسيطة الكلمة الأساسية ، والتي يمكن استخدامها لتقييم وظيفة التدريب من خلال توفير قائمة من القواميس بمفتاحين: اسم اسم المقياس ، و Regex
للتعبير العادي المستخدم لاستخراج المقياس من السجلات. والمصاحبة مفكرة يظهر تفاصيل التنفيذ. يسرد الجدول التالي المقاييس المتاحة والتعبيرات العادية ذات الصلة لجميع نماذج تصنيف صور JumpStart TensorFlow.
اسم المقياس | منتظم التعبير |
عدد المعلمات | "- عدد المعلمات: ([0-9 \.] +)" |
عدد المعلمات القابلة للتدريب | "- عدد المعلمات القابلة للتدريب: ([0-9 \.] +)" |
عدد المعلمات غير القابلة للتدريب | "- عدد المعلمات غير القابلة للتدريب: ([0-9 \.] +)" |
مقياس مجموعة بيانات القطار | f "- {metric}: ([0-9 \.] +)" |
مقياس مجموعة بيانات التحقق | f "- val_ {metric}: ([0-9 \.] +)" |
اختبار مقياس مجموعة البيانات | f "- اختبار {metric}: ([0-9 \.] +)" |
مدة القطار | "- إجمالي مدة التدريب: ([0-9 \.] +)" |
مدة القطار لكل حقبة | "- متوسط مدة التدريب لكل فترة: ([0-9 \.] +)" |
اختبار زمن الوصول التقييمي | "- وقت استجابة تقييم الاختبار: ([0-9 \.] +)" |
اختبار زمن الوصول لكل عينة | "- متوسط وقت استجابة الاختبار لكل عينة: ([0-9 \.] +)" |
صبيب الاختبار | "- متوسط إنتاجية الاختبار: ([0-9 \.] +)" |
يوفر البرنامج النصي لتعليم النقل المدمج مجموعة متنوعة من مقاييس مجموعة بيانات التدريب والتحقق من الصحة والاختبار ضمن هذه التعريفات ، على النحو الذي تمثله قيم استبدال سلسلة f. تختلف المقاييس الدقيقة المتاحة بناءً على نوع التصنيف الذي يتم إجراؤه. جميع النماذج المترجمة لها ملف loss
متري ، والذي يتم تمثيله بخسارة إنتروبيا إما لمشكلة تصنيف ثنائية أو فئوية. يتم استخدام السابق عندما يكون هناك تسمية فئة واحدة ؛ يتم استخدام الأخير إذا كان هناك تصنيفان أو أكثر من التصنيفات. إذا كان هناك تسمية فئة واحدة فقط ، فسيتم حساب المقاييس التالية وتسجيلها واستخراجها عبر التعبيرات العادية لسلسلة f في الجدول السابق: عدد الإيجابيات الحقيقية (true_pos
) ، عدد الإيجابيات الخاطئة (false_pos
) ، عدد السلبيات الحقيقية (true_neg
) ، عدد السلبيات الخاطئة (false_neg
), precision
, recall
، المنطقة الواقعة أسفل منحنى خاصية تشغيل المستقبل (ROC) (auc
) والمنطقة الواقعة أسفل منحنى الاسترجاع الدقيق (PR) (prc
). وبالمثل ، إذا كان هناك ستة تسميات أو أكثر للفئات ، فإن مقياس دقة أعلى 5 (top_5_accuracy
) يتم أيضًا حسابه وتسجيله واستخراجه عبر التعبيرات النمطية السابقة.
أثناء التدريب ، تم تحديد المقاييس لـ SageMaker Estimator
يتم إرسالها إلى سجلات CloudWatch. عند اكتمال التدريب ، يمكنك استدعاء SageMaker DescriptionTrainingJob API وتفقد FinalMetricDataList
مفتاح في استجابة JSON:
تتطلب واجهة برمجة التطبيقات هذه تقديم اسم الوظيفة فقط إلى الاستعلام ، لذلك بمجرد اكتمالها ، يمكن الحصول على المقاييس في التحليلات المستقبلية طالما تم تسجيل اسم وظيفة التدريب بشكل مناسب وقابل للاسترداد. بالنسبة لمهمة اختيار النموذج هذه ، يتم تخزين أسماء وظائف ضبط المعلمات الفائقة وإعادة إرفاق التحليلات اللاحقة HyperparameterTuner
أعطي اسم وظيفة الضبط ، واستخرج اسم وظيفة التدريب الأفضل من موالف المعلمات الفائقة المرفق ، ثم استدعى DescribeTrainingJob
API كما هو موضح سابقًا للحصول على مقاييس مرتبطة بأفضل وظيفة تدريبية.
قم بتشغيل وظائف ضبط المعلمة التشعبية غير المتزامنة
الرجوع إلى المقابل مفكرة للحصول على تفاصيل التنفيذ حول التشغيل غير المتزامن لوظائف ضبط المعلمات الفائقة ، والتي تستخدم مكتبة Python القياسية العقود الآجلة المتزامنة وحدة ، واجهة عالية المستوى لتشغيل callables بشكل غير متزامن. يتم تنفيذ العديد من الاعتبارات المتعلقة بـ SageMaker في هذا الحل:
- كل حساب AWS تابع لـ حصص خدمة SageMaker. يجب عليك عرض حدودك الحالية للاستفادة الكاملة من مواردك وربما طلب زيادات في حد الموارد حسب الحاجة.
- قد يتم إجراء مكالمات متكررة لواجهة برمجة التطبيقات لإنشاء العديد من وظائف ضبط المعلمات الفائقة في وقت واحد تجاوز معدل Python SDK ورمي استثناءات الاختناق. الحل لهذا هو إنشاء عميل SageMaker Boto3 مع تكوين إعادة محاولة مخصص.
- ماذا يحدث إذا واجه النص البرمجي خطأ أو توقف البرنامج النصي قبل الإكمال؟ لمثل هذا الاختيار الكبير للطراز أو دراسة قياس الأداء ، يمكنك تسجيل أسماء وظائف الضبط وتوفير وظائف ملائمة لـ أعد تركيب وظائف الضبط الفائق الموجودة بالفعل:
تفاصيل التحليل والمناقشة
التحليل الموجود في هذا المنشور يؤدي إلى نقل التعلم لـ معرفات الطراز في خوارزمية تصنيف الصور JumpStart TensorFlow على مجموعة بيانات Caltech-256. تم تنفيذ جميع وظائف التدريب على مثيل تدريب SageMaker ml.g4dn.xlarge ، والذي يحتوي على وحدة معالجة رسومات NVIDIA T4 واحدة.
يتم تقييم مجموعة بيانات الاختبار على مثيل التدريب في نهاية التدريب. يتم إجراء اختيار النموذج قبل تقييم مجموعة بيانات الاختبار لتعيين أوزان النموذج للعصر مع أفضل أداء لمجموعة التحقق من الصحة. لم يتم تحسين إنتاجية الاختبار: يتم تعيين حجم دفعة مجموعة البيانات على حجم دفعة المعلمة التشعبية للتدريب الافتراضي ، والتي لم يتم ضبطها لزيادة استخدام ذاكرة وحدة معالجة الرسومات ؛ يتضمن معدل نقل الاختبار المُبلغ عنه وقت تحميل البيانات لأن مجموعة البيانات لم يتم تخزينها مؤقتًا مسبقًا ؛ والاستدلال الموزع عبر العديد من وحدات معالجة الرسومات. لهذه الأسباب ، تعد هذه الإنتاجية قياسًا نسبيًا جيدًا ، ولكن الإنتاجية الفعلية ستعتمد بشكل كبير على تكوينات نشر نقطة النهاية الخاصة بك للنموذج المدرب.
على الرغم من أن محور نموذج JumpStart يحتوي على العديد من أنواع بنية تصنيف الصور ، إلا أن حدود باريتو هذه تهيمن عليها نماذج Swin و EfficientNet و MobileNet المحددة. تعد طرازات Swin أكبر حجمًا وأكثر دقة نسبيًا ، بينما تكون نماذج MobileNet أصغر حجمًا وأقل دقة نسبيًا ومناسبة لقيود موارد الأجهزة المحمولة. من المهم ملاحظة أن هذه الحدود مشروطة بمجموعة متنوعة من العوامل ، بما في ذلك مجموعة البيانات الدقيقة المستخدمة والضبط الدقيق للمعلمات الفائقة المحددة. قد تجد أن مجموعة البيانات المخصصة الخاصة بك تنتج مجموعة مختلفة من حلول باريتو الفعالة ، وقد ترغب في أوقات تدريب أطول باستخدام معلمات تشعبية مختلفة ، مثل زيادة البيانات أو ضبط أكثر من مجرد طبقة التصنيف العليا للنموذج.
وفي الختام
في هذا المنشور ، أوضحنا كيفية تشغيل اختيار النماذج على نطاق واسع أو مهام قياس الأداء باستخدام محور نموذج JumpStart. يمكن أن يساعدك هذا الحل في اختيار النموذج الأفضل لاحتياجاتك. نحن نشجعك على تجربة واستكشاف هذا حل على مجموعة البيانات الخاصة بك.
مراجع حسابات
يتوفر مزيد من المعلومات في المصادر التالية:
عن المؤلفين
دكتور كايل أولريش هو عالم تطبيقي مع خوارزميات Amazon SageMaker المضمنة فريق. تشمل اهتماماته البحثية خوارزميات التعلم الآلي القابلة للتطوير ، والرؤية الحاسوبية ، والسلاسل الزمنية ، والمعاملات البايزية غير البارامترية ، والعمليات الغاوسية. حصل على درجة الدكتوراه من جامعة ديوك وقد نشر أبحاثًا في NeurIPS و Cell و Neuron.
د. أشيش خيتان هو عالم تطبيقي أقدم مع خوارزميات Amazon SageMaker المضمنة ويساعد في تطوير خوارزميات التعلم الآلي. حصل على درجة الدكتوراه من جامعة إلينوي في أوربانا شامبين. وهو باحث نشط في التعلم الآلي والاستدلال الإحصائي وقد نشر العديد من الأوراق البحثية في مؤتمرات NeurIPS و ICML و ICLR و JMLR و ACL و EMNLP.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/image-classification-model-selection-using-amazon-sagemaker-jumpstart/
- 10
- 100
- 9
- a
- من نحن
- الوصول
- يمكن الوصول
- حسابي
- دقة
- دقيق
- التأهيل
- في
- نشط
- إضافة
- العنوان
- عناوين
- تعديل
- التابعة
- ضد
- خوارزمية
- خوارزميات
- الكل
- سابقا
- بالرغم ان
- دائما
- أمازون
- الأمازون SageMaker
- أمازون سيج ميكر جومب ستارت
- تحليل
- و
- آخر
- API
- تطبيق
- تطبيقي
- بشكل مناسب
- هندسة معمارية
- المنطقة
- حجة
- أسوشيتد
- يرفق
- محاولات
- أوتوماتيك
- متاح
- المتوسط
- AWS
- على أساس
- بايزي
- لان
- قبل
- يجري
- أفضل
- كبير
- مدمج
- الأعمال
- دعوات
- مرشح
- الحالات
- الفئات
- تحدي
- مميز
- اختار
- فئة
- تصنيف
- صنف
- زبون
- الجمع بين
- مشترك
- مقارنة
- إكمال
- الطلب مكتمل
- إكمال
- تعقيد
- الكمبيوتر
- رؤية الكمبيوتر
- اهتمامات
- المؤتمرات
- الاعداد
- متصل
- التواصل
- الاعتبارات
- القيود
- يحتوي
- استمر
- السيطرة
- ضوابط
- ملاءمة
- المقابلة
- بهيكل
- خلق
- حالياًّ
- منحنى
- على
- البيانات
- قواعد البيانات
- أعمق
- الترتيب
- يعتمد
- نشر
- نشر
- نشر
- عمق
- وصف
- وصف
- تفاصيل
- تطوير
- الأجهزة
- مختلف
- بحث
- وزعت
- عدة
- لا
- دوق
- جامعة ديوك
- أثناء
- كل
- في وقت سابق
- في وقت مبكر
- أسهل
- فعال
- إما
- القضاء
- تمكين
- شجع
- شجع
- النهائي إلى نهاية
- نقطة النهاية
- البيئة
- عصر
- عهود
- خطأ
- الأثير (ETH)
- تقييم
- تقييم
- تقييم
- مثال
- أمثلة
- إلا
- اكتشف
- استكشاف
- التعبيرات
- استخراج
- استخلاص
- العوامل
- عادل
- صالح
- الميزات
- المميزات
- مجال
- الشكل
- أخيرا
- الاسم الأول
- تركيبات
- متابعيك
- سابق
- تبدأ من
- حدود
- الحدود
- تماما
- وظائف
- مستقبل
- العقود الآجلة
- توليد
- دولار فقط واحصل على خصم XNUMX% على جميع
- معطى
- العالمية
- خير
- وحدة معالجة الرسوميات:
- وحدات معالجة الرسومات
- عظيم
- أكبر
- أخضر
- يحدث
- بشكل كبير
- مساعدة
- يساعد
- رفيع المستوى
- عالي الجودة
- أعلى
- كيفية
- كيفية
- HTML
- HTTPS
- محور
- مئات
- ضبط Hyperparameter
- ICLR
- إلينوي
- صورة
- تصنيف الصورة
- IMAGEnet
- صور
- تنفيذ
- التنفيذ
- نفذت
- أهمية
- أهمية
- تحسين
- تحسين
- in
- تتضمن
- يشمل
- بما فيه
- القيمة الاسمية
- الزيادات
- في ازدياد
- من مؤشرات
- معلومات
- إدخال
- مثل
- مصلحة
- السريرية
- السطح البيني
- داخلي
- جوهري
- تقديم
- IT
- وظيفة
- المشــاريــع
- جسون
- القفل
- مفاتيح
- تُشير
- ملصقات
- كبير
- على نطاق واسع
- أكبر
- كمون
- تطلق
- إطلاق
- طبقة
- طبقات
- قيادة
- تعلم
- تعلم
- تجميل
- ضوء
- مما سيحدث
- حدود
- قائمة
- قوائم
- جار التحميل
- طويل
- يعد
- خسارة
- آلة
- آلة التعلم
- القيام ب
- كثير
- تعظيم
- ذات مغزى
- قياسات
- مكبر الصوت : يدعم، مع دعم ميكروفون مدمج لمنع الضوضاء
- متري
- المقاييس
- ML
- الجوال
- أجهزة محمولة
- نموذج
- عارضات ازياء
- وحدة
- الأكثر من ذلك
- متعدد
- الاسم
- أسماء
- ضروري
- بحاجة
- إحتياجات
- الشبكات
- عصبي
- NeurIPS
- جديد
- مفكرة
- عدد
- NVIDIA
- موضوع
- الأجسام
- رصد
- تحصل
- تم الحصول عليها
- ONE
- تعمل
- عمليات
- الأمثل
- أوجز
- الخاصة
- أوراق
- المعلمة
- المعلمات
- خاص
- الصبر
- نفذ
- أداء
- ينفذ
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- البوينت
- نقاط
- أكثر الاستفسارات
- ممكن
- منشور
- يحتمل
- pr
- منع
- قبل
- المشكلة
- مشاكل
- عملية المعالجة
- العمليات
- تزود
- المقدمة
- ويوفر
- توفير
- نشرت
- بايثون
- سؤال
- الأسئلة المتكررة
- بسرعة
- رامات
- معدل
- الأجور
- العالم الحقيقي
- الأسباب
- تقليص
- منتظم
- نسبيا
- إزالة
- وذكرت
- مثل
- ممثلة
- يمثل
- طلب
- مطلوب
- المتطلبات الأساسية
- يتطلب
- بحث
- الباحث
- دقة الشاشة
- مورد
- الموارد
- استجابة
- النتائج
- يجري
- تشغيل
- sagemaker
- نفسه
- تحجيم
- عالم
- مخطوطات
- الإستراحة
- بحث
- القسم
- مختار
- اختيار
- اختيار
- كبير
- مسلسلات
- الخدمة
- الجلسة
- طقم
- باكجات
- ضبط
- عدة
- الشكل
- ينبغي
- يظهر
- وبالمثل
- تبسيط
- متزامنة
- عزباء
- SIX
- حجم
- الأحجام
- صغير
- الأصغر
- So
- حل
- الحلول
- حل
- مواصفة
- مواصفات
- محدد
- معيار
- بدأت
- إحصائي
- خطوة
- توقف
- وقف
- تخزين
- دراسة
- لاحق
- جوهريا
- هذه
- كاف
- مناسب
- جدول
- المستهدفة
- مهمة
- المهام
- فريق
- tensorflow
- تجربه بالعربي
- •
- من مشاركة
- وبالتالي
- ثلاثة
- الإنتاجية
- الوقت
- السلاسل الزمنية
- مرات
- إلى
- اليوم
- سويا
- أدوات
- تيشرت
- 5 الأعلى
- الإجمالي
- قطار
- متدرب
- قادة الإيمان
- تحويل
- محولات
- صحيح
- أنواع
- في النهاية
- مع
- فريد من نوعه
- جامعة
- الأستعمال
- تستخدم
- الاستفادة من
- تستخدم
- التحقق من صحة
- القيم
- تشكيلة
- كبير
- بواسطة
- المزيد
- رؤيتنا
- التي
- في حين
- واسع
- سوف
- في غضون
- بدون
- سوف
- جاري الكتابة
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت